CN103152695B - 基于td-scdma系统的井下人员精确定位方法 - Google Patents

Abstract

本发明公开了一种基于TD-SCDMA系统的井下人员精确定位方法，获取信号到达基站的时间TOA和到达角度AOA；利用改进的kalman滤波算法TOA值去噪处理；由去噪处理后的TOA值求得信号到达时间差TDOA值；用TDOA/AOA混合Chan算法和TDOA/AOA混合Taylor算法进行移动台的位置估计；利用残差加权法对位置估计值进行第一次数据融合，求出新的位置估计值；利用贝叶斯推论对位置估计值进行第二次数据融合，求得最终的位置估计值；该井下人员精确定位方法利用TD-SCDMA系统的优势和数据融合的优越性，采用TDOA/AOA混合数据融合定位算法，定位精度高，解决了煤矿井下人员定位困难的问题。

Description

基于TD-SCDMA系统的井下人员精确定位方法

技术领域

本发明属于移动通信技术领域，尤其涉及基于TD-SCDMA系统的井下人员精确定位方法。

背景技术

煤矿井下生产环境复杂、恶劣，各种自然灾害造成的矿井重大灾害及伤亡事故时有发生。通过对各种矿难的分析，造成重大人员伤亡的原因有多种，其中一个重要的原因是缺乏精确的定位系统，使得对井下各种生产信息和人员信息无法做到及时的了解和掌握，当突发事故即将发生时不能及时疏导和撤离工作人员，从而造成人员伤亡。由此可见，矿难发生后及时获得井下工作人的精确位置对救援工作至关重要，然而，煤矿井下环境的特殊性使得对井下人员的精确定位难以实现。

目前，井下人员的定位基本上采用的是RFID。这种方法是在矿井井口处或其它井下一些关键通道口，使用射频卡(RFID)读取的方法对下井人员进行记录跟踪。这种方法存在有效工作时间短、漏读、定位精度低和功能单一等弊端，因而无法满足井下高精度、高效率的人员定位要求。3G网络在井下人员定位中的应用则弥补了传统定位系统的缺点，TD-SCDMA系统独有的智能天线技术使得TDOA/AOA混合定位方法成为了可能，再加上kalman滤波器在平滑滤波上的优势和数据融合理论的不断发展，因此，采用基于TD-SCDMA的混合数据融合定位方法是具有可行性且容易实现的方法。

发明内容

本发明提供了基于TD-SCDMA系统的井下人员精确定位方法，旨在解决目前井下人员的定位基本上采用的是在矿井井口处或其它井下一些关键通道口，使用射频卡(RFID)读取的方法对下井人员进行记录跟踪，这种方法有效工作时间短、漏读、定位精度低和功能单一，无法满足井下高精度、高效率的人员定位要求的问题。

本发明的目的在于提供基于TD-SCDMA系统的井下人员精确定位方法，该井下人员精确定位方法包括以下步骤：

步骤一，获取信号到达基站的时间TOA和到达角度AOA；

步骤二，利用改进的kalman滤波算法对获取的TOA值进行去噪处理；

步骤三，由去噪处理后获得的TOA值求得信号到达时间差TDOA值；

步骤四，用TDOA/AOA混合Chan算法和TDOA/AOA混合Taylor算法进行移动台的位置估计；

步骤五，利用残差加权法对位置估计值进行第一次数据融合，求出新的位置估计值；

步骤六，利用贝叶斯推论对位置估计值进行第二次数据融合，求得最终的位置估计值。

进一步，在步骤一中，由于TD-SCDMA采用智能天线技术，可通过MUSIC算法获得的获得比较精确的AOA值，TOA值可通过基站直接获得。

进一步，在步骤二中，对TOA值的滤波过程以及kalman滤波算法的改进如下：

若r_m(t_i)表示在t_i时刻从移动台MS到基站BS_m的距离测量值，则r_m(t_i)等于真实距离d_m(t_i)、系统测量误差n_m(t_i)和NLOS误差NLOS(t_i)之和，即：

r_m(t_i)＝d_m(t_i)+n_m(t_i)+NLOS(t_i)    (1)

其中n_m(t_i)为服从均值为零的高斯噪声，NLOS(t_i)一般认为是符合基于均方根时延扩展τ_rms的服从指数、均匀或Delta分布的正随机变量；

卡尔曼滤波器通过状态转移方程和系统测量方程把某一时刻的状态值与当前以及以前时刻的测量值联系起来，从而得到当前时刻的最优值，假设每隔周期T获取一次TOA数据，则Kalman滤波的状态方程为：

X(k+1)＝φX(k)+GW(k)    (2)

式(2)中 $X\left(k\right)=\left[\begin{array}{c}r\left(k\right)\\ r^{\′}\left(k\right)\end{array}\right]$ $\mathrm{\φ}=\left[\begin{array}{cc}1& T\\ 0& 1\end{array}\right]$ $G=\left[\begin{array}{cc}T/2& 0\\ 1& 0\end{array}\right]$

其中r(k)为k时刻的TOA值，r′(k)为r(k)的导数，因为只考虑移动台静止的情况，所以r′(k)＝0，φ为状态转移矩阵，W(k)为状态噪声，服从零均值、协方差矩阵为Q的高斯白噪声；

观测方程为：Z(k)＝HX(k)+V(k)    (3)

式(3)中，H是测量矩阵，取H＝[1 0]；

测量噪声V(k)主要包括标准测量误差n_m(t_i)和NLOS误差NLOS(t_i)，测量噪声V(k)的协方差矩阵为R；

卡尔曼滤波递推运算过程如下：

状态预测：

$\hat{X}(k/k-1)=\mathrm{\φ}\hat{X}(k-1/k-1)---\left(4\right)$

预测误差协方差：

P(k/k-1)＝φP(k-1/k-1)φ^T+GQ(k-1)G^T    (5)

计算Kalman滤波增益：

K(k)＝P(k/k-1)H^T[HP(k/k-1)H^T+R(k)]^-1    (6)

计算最优滤波值：

计算滤波误差协方差：

P(k/k)＝P(k/k-1)[1-K(k)H]    (8)

返回(4)式，开始下一次滤波；

Kalman滤波需要给定初始条件，由于NLOS产生一个正值误差，所以这里取前五次获得的信号到达时间的平均值对应的TOA值为初始值；

如果测量噪声V(k)受到NLOS的影响，则滤波估计值也会收到影响而高于正常值，由于卡尔曼滤波器具有记忆性，这种影响会一直持续下去，为减小NLOS误差对TOA估计值的影响，以下进行改进；

在迭代过程中，首先设定一个门限值，然后将最优滤波值与该门限值进行比较，如果大于门限值，则舍去该值，用上一时刻的状态估计值来代替该时刻的状态估计值；反之，则保留该值，重复迭代，可有效地克服NLOS影响。

进一步，在步骤三中，由去噪处理后获得的TOA值求得信号到达时间差TDOA值时，由于TD-SCDMA系统具有精确的时钟同步，可直接利用kalman滤波处理后的TOA值相减得到TDOA值。

进一步，在步骤四中，用TDOA/AOA混合Chan算法和TDOA/AOA混合Taylor算法进行移动台的位置估计时，利用TD-SCDMA的智能天线技术获得较精确的AOA值，结合TDOA值，建立相应的方程组，再利用Chan算法和Taylor算法分别进行求解，得到移动台的位置估计值。

进一步，在步骤五中，利用残差加权法对位置估计值进行第一次数据融合，求出新的位置估计值时，利用残差公式求得Chan算法和Taylor算法的残差加权系数分别为：和 $\mathrm{\β}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(r_i-|{\hat{X}}_t-X_i\left|\right)}^2/N,$ 其中 $\hat{X}=\left[\begin{array}{c}\hat{x}\\ \hat{y}\end{array}\right]$ 为定位估计值， $X_i=\left[\begin{array}{c}{x}_i\\ y_i\end{array}\right]$ 为参与定位的第i个基站BS的坐标，r_i为MS到第i个BS的测量距离，N为参与定位的BS数，经过加权后的位置估计值为：则经过残差加权后的定位结果为：

$\hat{X}=({\hat{X}}_c{\mathrm{\α}}^{-1}+{\hat{X}}_t{\mathrm{\β}}^{-1})/({\mathrm{\α}}^{-1}+{\mathrm{\β}}^{-1}).$

进一步，在步骤六中，利用贝叶斯推论对位置估计值进行第二次数据融合，求得最终的位置估计值时，根据贝叶斯推论计算出方差为σ的向量X的加权向量为通过计算求得第一次数据融合后的定位估计值和Taylor算法定位估计值的均值和方差，分别设为X_r、X_t和则经过贝叶斯数据融合的最终位置估计值的均值和方差分别为X_out和σ_out，则：

$X_{\mathrm{out}}=\frac{\frac{1}{{\mathrm{\σ}}_r^2}{X}_c+\frac{1}{{\mathrm{\σ}}_t^2}{X}_t}{\frac{1}{{\mathrm{\σ}}_r^2}+\frac{1}{{\mathrm{\σ}}_t^2}},$ ${\mathrm{\σ}}_{\mathrm{out}}=\frac{1}{\frac{1}{{\mathrm{\σ}}_r^2}+\frac{1}{{\mathrm{\σ}}_t^2}}.$

本发明提供的基于TD-SCDMA系统的井下人员精确定位方法，获取信号到达基站的时间TOA和到达角度AOA；利用改进的kalman滤波算法对获取的TOA值进行去噪处理；由去噪处理后获得的TOA值求得信号到达时间差TDOA值；用TDOA/AOA混合Chan算法和TDOA/AOA混合Taylor算法进行移动台的位置估计；利用残差加权法对位置估计值进行第一次数据融合，求出新的位置估计值；利用贝叶斯推论对位置估计值进行第二次数据融合，求得最终的位置估计值；该井下人员精确定位方法利用TD-SCDMA系统的优势和数据融合的优越性，采用TDOA/AOA混合数据融合定位算法，定位精度高，有效地解决了煤矿井下人员定位困难的问题，实用性强，具有较强的推广与应用价值。

附图说明

图1是本发明实施侧提供的基于TD-SCDMA系统的井下人员精确定位方法的实现流程图；

图2是本发明实施例提供的改进的kalman滤波算法流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定发明。

图1示出了本发明实施例提供的基于TD-SCDMA系统的井下人员精确定位方法的实现流程。

该井下人员精确定位方法包括以下步骤：

步骤一，获取信号到达基站的时间TOA和到达角度AOA；

步骤二，利用改进的kalman滤波算法对获取的TOA值进行去噪处理；

步骤三，由去噪处理后获得的TOA值求得信号到达时间差TDOA值；

步骤四，用TDOA/AOA混合Chan算法和TDOA/AOA混合Taylor算法进行移动台的位置估计；

步骤五，利用残差加权法对位置估计值进行第一次数据融合，求出新的位置估计值；

步骤六，利用贝叶斯推论对位置估计值进行第二次数据融合，求得最终的位置估计值。

在本发明实施例中，在步骤一中，由于TD-SCDMA采用智能天线技术，可通过MUSIC算法获得的获得比较精确的AOA值，TOA值可通过基站直接获得。

图2是本发明实施例提供的改进的kalman滤波算法流程图。

在本发明实施例中，在步骤二中，对TOA值的滤波过程以及kalman滤波算法的改进如下：

若r_m(t_i)表示在t_i时刻从移动台MS到基站BS_m的距离测量值，则r_m(t_i)等于真实距离d_m(t_i)、系统测量误差n_m(t_i)和NLOS误差NLOS(t_i)之和，即：

r_m(t_i)＝d_m(t_i)+n_m(t_i)+NLOS(t_i)    (1)

其中n_m(t_i)为服从均值为零的高斯噪声，NLOS(t_i)一般认为是符合基于均方根时延扩展τ_rms的服从指数、均匀或Delta分布的正随机变量；

卡尔曼滤波器通过状态转移方程和系统测量方程把某一时刻的状态值与当前以及以前时刻的测量值联系起来，从而得到当前时刻的最优值，假设每隔周期T获取一次TOA数据，则Kalman滤波的状态方程为：

X(k+1)＝φX(k)+GW(k)    (2)

式(2)中 $X\left(k\right)=\left[\begin{array}{c}r\left(k\right)\\ r^{\′}\left(k\right)\end{array}\right]$ $\mathrm{\φ}=\left[\begin{array}{cc}1& T\\ 0& 1\end{array}\right]$ $G=\left[\begin{array}{cc}T/2& 0\\ 1& 0\end{array}\right]$

其中r(k)为k时刻的TOA值，r′(k)为r(k)的导数，因为只考虑移动台静止的情况，所以r′(k)＝0，φ为状态转移矩阵，W(k)为状态噪声，服从零均值、协方差矩阵为Q的高斯白噪声；

观测方程为：Z(k)＝HX(k)+V(k)    (3)

式(3)中，H是测量矩阵，取H＝[1 0]；

测量噪声V(k)主要包括标准测量误差n_m(t_i)和NLOS误差NLOS(t_i)，测量噪声V(k)的协方差矩阵为R；

卡尔曼滤波递推运算过程如下：

状态预测：

$\hat{X}(k/k-1)=\mathrm{\φ}\hat{X}(k-1/k-1)---\left(4\right)$

预测误差协方差：

P(k/k-1)＝φP(k-1/k-1)φ^T+GQ(k-1)G^T    (5)

计算Kalman滤波增益：

K(k)＝P(k/k-1)H^T[HP(k/k-1)H^T+R(k)]-1    (6)

计算最优滤波值：

计算滤波误差协方差：

P(k/k)＝P(k/k-1)[1-K(k)H]    (8)

返回(4)式，开始下一次滤波；

Kalman滤波需要给定初始条件，由于NLOS产生一个正值误差，所以这里取前五次获得的信号到达时间的平均值对应的TOA值为初始值；

如果测量噪声V(k)受到NLOS的影响，则滤波估计值也会收到影响而高于正常值，由于卡尔曼滤波器具有记忆性，这种影响会一直持续下去，为减小NLOS误差对TOA估计值的影响，以下进行改进；

在迭代过程中，首先设定一个门限值，然后将最优滤波值与该门限值进行比较，如果大于门限值，则舍去该值，用上一时刻的状态估计值来代替该时刻的状态估计值；反之，则保留该值，重复迭代，可有效地克服NLOS影响。

在本发明实施例中，在步骤三中，由去噪处理后获得的TOA值求得信号到达时间差TDOA值时，由于TD-SCDMA系统具有精确的时钟同步，可直接利用kalman滤波处理后的TOA值相减得到TDOA值。

在本发明实施例中，在步骤四中，用TDOA/AOA混合Chan算法和TDOA/AOA混合Taylor算法进行移动台的位置估计时，利用TD-SCDMA的智能天线技术获得较精确的AOA值，结合TDOA值，建立相应的方程组，再利用Chan算法和Taylor算法分别进行求解，得到移动台的位置估计值。

在本发明实施例中，在步骤五中，利用残差加权法对位置估计值进行第一次数据融合，求出新的位置估计值时，利用残差公式求得Chan算法和Taylor算法的残差加权系数分别为：和 $\mathrm{\β}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(r_i-|{\hat{X}}_t-X_i\left|\right)}^2/N,$ 其中 $\hat{X}=\left[\begin{array}{c}\hat{x}\\ \hat{y}\end{array}\right]$ 为定位估计值， $X_i=\left[\begin{array}{c}{x}_i\\ y_i\end{array}\right]$ 为参与定位的第i个基站BS的坐标，r_i为MS到第i个BS的测量距离，N为参与定位的BS数，经过加权后的位置估计值为：则经过残差加权后的定位结果为：

$\hat{X}=({\hat{X}}_c{\mathrm{\α}}^{-1}+{\hat{X}}_t{\mathrm{\β}}^{-1})/({\mathrm{\α}}^{-1}+{\mathrm{\β}}^{-1}).$

在本发明实施例中，在步骤六中，利用贝叶斯推论对位置估计值进行第二次数据融合，求得最终的位置估计值时，根据贝叶斯推论计算出方差为σ的向量X的加权向量为通过计算求得第一次数据融合后的定位估计值和Taylor算法定位估计值的均值和方差，分别设为X_r、X_t和则经过贝叶斯数据融合的最终位置估计值的均值和方差分别为X_out和σ_out，则：

$X_{\mathrm{out}}=\frac{\frac{1}{{\mathrm{\σ}}_r^2}{X}_c+\frac{1}{{\mathrm{\σ}}_t^2}{X}_t}{\frac{1}{{\mathrm{\σ}}_r^2}+\frac{1}{{\mathrm{\σ}}_t^2}},$ ${\mathrm{\σ}}_{\mathrm{out}}=\frac{1}{\frac{1}{{\mathrm{\σ}}_r^2}+\frac{1}{{\mathrm{\σ}}_t^2}}.$

下面结合附图及具体实施例对本发明的应用原理作进一步描述。

发明内容：基于现有技术的缺点和不足，本发明的目的是提供一种基于TD-SCDMA系统的井下人员精确定位方法。对于移动台的精确定位主要包括一下内容：

(1)获取信号到达基站的时间TOA和到达角度AOA；

(2)利用改进的kalman滤波算法对获取的TOA值进行去噪处理；

(3)由(2)中获得的TOA值求得信号到达时间差TDOA值；

(4)用TDOA/AOA混合Chan算法和TDOA/AOA混合Taylor算法进行移动台的位置估计；

(5)利用残差加权法对位置估计值进行第一次数据融合，求出新的位置估计；

(6)利用贝叶斯推论对位置估计值进行第二次数据融合。

获取TOA和AOA：由于TD-SCDMA采用智能天线技术，可通过MUSIC算法获得的获得比较精确的AOA值，而TOA值可以通过基站直接获得；

利用改进的kalman滤波算法对TOA值进行去噪处理：由于煤矿井下环境恶劣，信号的获取存在较严重的NLOS误差，因此必须对其获得的信息进行相应的处理，首先对传统的kalman滤波算法进行改进，然后利用改进的kalman算法对这些信息进行滤波去噪处理；

获得TDOA值：TD-SCDMA具有精确的时钟同步，因此可直接利用kalman滤波处理后的TOA值相减得到TDOA值；

用TDOA/AOA混合Chan算法和TDOA/AOA混合Taylor算法对移动台进行位置估计：利用TD-SCDMA的智能天线技术可以获得较精确的AOA值，结合TDOA值，利用混合定位算法求得移动台的位置估计值；

残差加权：利用残差加权系数对TDOA/AOA混合Chan算法和TDOA/AOA混合Taylor算法求得的位置估计值进行加权求和，获得新的位置估计值；

贝叶斯数据融合：利用贝叶斯推论对第一次数据融合求得的位置估计值和TDOA/AOA混合Taylor算法求得的位置估计值进行第二次数据融合，计算出移动台最终的位置估计值。

如图1所示，本发明主要包括一下步骤：

(1)获取信号到达基站的时间TOA和到达角度AOA；

(2)利用改进的kalman滤波算法对获取的TOA值进行去噪处理；

(3)由(2)中获得的TOA值求得信号到达时间差TDOA值；

(4)用TDOA/AOA混合Chan算法和TDOA/AOA混合Taylor算法进行移动台的位置估计；

(5)利用残差加权法对位置估计值进行第一次数据融合，求出新的位置估计；

(6)利用贝叶斯推论对位置估计值进行第二次数据融合，获得最终的位置估计值。

步骤(1)中AOA可以利用传统的MUSIC算法获得。在TD-SCDMA系统中广泛应用了智能天线技术，目前TD-SCDMA系统常用的智能天线主要有圆阵天线和线阵天线，为适应狭长的井下巷道本发明中采用线形阵列。利用智能天线技术就可以测量基站或者移动终端之间的信号方向角，即所需要的AOA值。AOA估计方法大致可分为四大类：传统法、子空间法、最大似然法以及综合特征恢复法和子空间方法。通过综合比较，采用子空间法利用MUSIC算法来获得AOA。TOA可通过基站直接获得。

步骤(2)中对TOA的滤波过程以及kalman滤波算法的改进具体如下(如图2所示)：

若r_m(t_i)表示在t_i时刻从移动台MS到基站BS_m的距离测量值(由TOA测量值乘以电波传播速度获得)，则r_m(t_i)等于真实距离d_m(t_i)、系统测量误差n_m(t_i)和NLOS误差NLOS(t_i)之和，即：

r_m(t_i)＝d_m(t_i)+n_m(t_i)+NLOS(t_i)    (1)

其中n_m(t_i)为服从均值为零的高斯噪声，NLOS(t_i)一般认为是符合基于均方根时延扩展τ_rms的服从指数、均匀或Delta分布的正随机变量。

卡尔曼滤波器通过状态转移方程和系统测量方程把某一时刻的状态值与当前以及以前时刻的测量值联系起来，从而得到当前时刻的最优值。假设每隔周期T获取一次TOA数据，则Kalman滤波的状态方程为：

X(k+1)＝φX(k)+GW(k)    (2)

式(2)中 $X\left(k\right)=\left[\begin{array}{c}r\left(k\right)\\ r^{\′}\left(k\right)\end{array}\right]$ $\mathrm{\φ}=\left[\begin{array}{cc}1& T\\ 0& 1\end{array}\right]$ $G=\left[\begin{array}{cc}T/2& 0\\ 1& 0\end{array}\right]$

其中r(k)为k时刻的TOA值，r′(k)为r(k)的导数，因为只考虑移动台静止的情况，所以r′(k)＝0，φ为状态转移矩阵，W(k)为状态噪声，服从零均值、协方差矩阵为Q的高斯白噪声。

观测方程为：Z(k)＝HX(k)+V(k)    (3)

式(3)中，H是测量矩阵，取H＝[1 0]。

测量噪声V(k)主要包括标准测量误差n_m(t_i)和NLOS误差NLOS(t_i)。测量噪声V(k)的协方差矩阵为R。

卡尔曼滤波递推运算过程如下：

状态预测：

$\hat{X}(k/k-1)=\mathrm{\φ}\hat{X}(k-1/k-1)---\left(4\right)$

预测误差协方差：

P(k/k-1)＝φP(k-1/k-1)φT+GQ(k-1)G^T    (5)

计算Kalman滤波增益：

K(k)＝P(k/k-1)H^TpHP(k/k-1)H^T+R(k)]^-1    (6)

计算最优滤波值：

计算滤波误差协方差：

P(k/k)＝P(k/k-1)[1-K(k)H]    (8)

返回(4)式，开始下一次滤波。

Kalman滤波需要给定初始条件，由于NLOS产生一个正值误差，所以这里取前五次获得的信号到达时间的平均值对应的TOA值为初始值。

如果测量噪声V(k)受到NLOS的影响，则滤波估计值也会收到影响而高于正常值。由于卡尔曼滤波器具有记忆性，这种影响会一直持续下去。为减小NLOS误差对TOA估计值的影响，以下对其进行改进。

在迭代过程中，首先设定一个门限值，然后将最优滤波值与该门限值进行比较。如果大于门限值，则舍去该值，用上一时刻的状态估计值来代替该时刻的状态估计值。反之，则保留该值。重复迭代，可以有效的克服NLOS影响。

步骤(4)中TDOA/AOA混合定位就是利用TDOA和AOA的特征测量值来共同确定移动台的位置，具体包括以下两个步骤：

a获得移动台到基站的相关测量值(信号入射角度、信号到达时间)，即步骤(1)；

b对获得的相关测量值进行相应的处理，即步骤(2)和(3)；

c根据处理后的数据建立相应的方程组，再利用Chan算法和Taylor算法分别进行求解，得到移动台的位置估计值。

步骤(5)中利用残差公式求得Chan算法和Taylor算法的残差加权系数分别为： $\mathrm{\α}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(r_i-|{\hat{X}}_c-X_i\left|\right)}^2/N$ 和 $\mathrm{\β}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(r_i-|{\hat{X}}_t-X_i\left|\right)}^2/N.$ 其中 $\hat{X}=\left[\begin{array}{c}\hat{x}\\ \hat{y}\end{array}\right]$ 为定位估计值， $X_i=\left[\begin{array}{c}{x}_i\\ y_i\end{array}\right]$ 为参与定位的第i个基站BS的坐标，r_t为MS到第i个BS的测量距离，N为参与定位的BS数。经过加权后的位置估计值为：则经过残差加权后的定位结果为： $\hat{X}=({\hat{X}}_c{\mathrm{\α}}^{-1}+{\hat{X}}_t{\mathrm{\β}}^{-1})/({\mathrm{\α}}^{-1}+{\mathrm{\β}}^{-1});$

步骤(6)中根据贝叶斯推论计算出方差为σ的向量X的加权向量为

通过计算求得第一次数据融合后的定位估计值和Taylor算法定位估计值的均值和方差，分别设为X_r、X_t和则经过贝叶斯数据融合的最终位置估计值的均值和方差分别为X_out和σ_out。则：

$X_{\mathrm{out}}=\frac{\frac{1}{{\mathrm{\σ}}_r^2}{X}_c+\frac{1}{{\mathrm{\σ}}_t^2}{X}_t}{\frac{1}{{\mathrm{\σ}}_r^2}+\frac{1}{{\mathrm{\σ}}_t^2}},$ ${\mathrm{\σ}}_{\mathrm{out}}=\frac{1}{\frac{1}{{\mathrm{\σ}}_r^2}+\frac{1}{{\mathrm{\σ}}_t^2}}$

本发明实施例提供的基于TD-SCDMA系统的井下人员精确定位方法，获取信号到达基站的时间TOA和到达角度AOA；利用改进的kalman滤波算法对获取的TOA值进行去噪处理；由去噪处理后获得的TOA值求得信号到达时间差TDOA值；用TDOA/AOA混合Chan算法和TDOA/AOA混合Taylor算法进行移动台的位置估计；利用残差加权法对位置估计值进行第一次数据融合，求出新的位置估计值；利用贝叶斯推论对位置估计值进行第二次数据融合，求得最终的位置估计值；该井下人员精确定位方法利用TD-SCDMA系统的优势和数据融合的优越性，采用TDOA/AOA混合数据融合定位算法，定位精度高，解决了煤矿井下人员定位困难的问题，实用性强，具有较强的推广与应用价值。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.基于TD-SCDMA系统的井下人员精确定位方法，其特征在于，该井下人员精确定位方法包括以下步骤：

步骤一，获取信号到达基站的时间TOA和到达角度AOA；

步骤二，利用改进的kalman滤波算法对获取的TOA值进行去噪处理；

步骤三，由去噪处理后获得的TOA值求得信号到达时间差TDOA值；

步骤四，用TDOA/AOA混合Chan算法和TDOA/AOA混合Taylor算法进行移动台的位置估计；

步骤五，利用残差加权法对位置估计值进行第一次数据融合，求出新的位置估计值；

步骤六，利用贝叶斯推论对位置估计值进行第二次数据融合，求得最终的位置估计值；

在步骤一中，由于TD-SCDMA采用智能天线技术，可通过MUSIC算法获得的获得比较精确的AOA值，TOA值可通过基站直接获得；

在步骤二中，对TOA值的滤波过程以及kalman滤波算法的改进如下：

若r_m(t_i)表示在t_i时刻从移动台MS到基站BS_m的距离测量值，则r_m(t_i)等于真实距离d_m(t_i)、系统测量误差n_m(t_i)和NLOS误差NLOS(t_i)之和，即：

r_m(t_i)＝d_m(t_i)+n_m(t_i)+NLOS(t_i)          (1) 

其中n_m(t_i)为服从均值为零的高斯噪声，NLOS(t_i)一般认为是符合基于均方根时延扩展τ_rms的服从指数、均匀或Delta分布的正随机变量；

卡尔曼滤波器通过状态转移方程和系统测量方程把某一时刻的状态值与当前以及以前时刻的测量值联系起来，从而得到当前时刻的最优值，假设每隔周期T获取一次TOA数据，则Kalman滤波的状态方程为：

X(k+1)＝φX(k)+GW(k)            (2) 

式(2)中

其中r(k)为k时刻的TOA值，r′(k)为r(k)的导数，因为只考虑移动台静止的情况，所以r′(k)＝0，φ为状态转移矩阵，W(k)为状态噪声，服从零均值、协方差矩阵为Q的高斯白噪声；

观测方程为：Z(k)＝HX(k)+V(k)        (3) 

式(3)中，H是测量矩阵，取H＝[1 0]；

测量噪声V(k)主要包括标准测量误差nm(t_i)和NLOS误差NLOS(t_i)，测量噪声V(k)的协方差矩阵为R；

卡尔曼滤波递推运算过程如下：

状态预测：

预测误差协方差：

P(k/k-1)＝φP(k-1/k-1)φ^T+GQ(k-1)G^T       (5) 

计算Kalman滤波增益：

K(k)＝P(k/k-1)H^T[HP(k/k-1)H^T+R(k)]^-1       (6) 

计算最优滤波值：

计算滤波误差协方差：

P(k/k)＝P(k/k-1)[1-K(k)H]        (8) 

返回(4)式，开始下一次滤波；

Kalman滤波需要给定初始条件，由于NLOS产生一个正值误差，所以这里取前五次获得的信号到达时间的平均值对应的TOA值为初始值；

如果测量噪声V(k)受到NLOS的影响，则滤波估计值也会收到影响而高于正常值，由于卡尔曼滤波器具有记忆性，这种影响会一直持续下去，为减小NLOS误差对TOA估计值的影响，在迭代过程中，首先设定一个门限值，然后将最优滤波值与该门限值进行比较，如果大于门限值，则舍去该值，用上一时刻的状态估计值来代替该时刻的状态估计值；反之，则保留该值，重复迭代，可有效地克服NLOS影响；

在步骤三中，由去噪处理后获得的TOA值求得信号到达时间差TDOA值时，由于TD-SCDMA系统具有精确的时钟同步，可直接利用kalman滤波处理后的TOA值相减得到TDOA值；

在步骤四中，用TDOA/AOA混合Chan算法和TDOA/AOA混合Taylor算法进行移动台的位置估计时，利用TD-SCDMA的智能天线技术获得较精确的AOA值，结合TDOA值，建立相应的方程组，再利用Chan算法和Taylor算法分别进行求解，得到移动台的位置估计值；

在步骤五中，利用残差加权法对位置估计值进行第一次数据融合，求出新的位置估计值时，利用残差公式求得Chan算法和Taylor算法的残差加权系数分别为： 和其中为定位估计值，为参与定位的第i个基站BS的坐标，ri为MS到第i个BS的测量距离，N

为参与定位的BS数，经过加权后的位置估计值为：则经过残差加权后的定位结果为： 

在步骤六中，利用贝叶斯推论对位置估计值进行第二次数据融合，求得最终的位置估计值时，根据贝叶斯推论计算出方差为σ的向量X的加叔向量为通过计算求得第一次数据融合后的定位估计值和Taylor算法定位估计值的均值和方差，分别设为Xr、Xt和则经过贝叶斯数据融合的最终位置估计值的均值和方差分别为X_out和σ_out，则：

。